yolo3使用darknet卷积神经网络训练pascal voc

最新推荐文章于 2025-05-12 14:51:21 发布

dianxiaochuang7777

最新推荐文章于 2025-05-12 14:51:21 发布

阅读量541

点赞数

文章标签： git 操作系统人工智能

原文链接：http://www.cnblogs.com/tangmiao/p/11422689.html

版权

本文详细介绍了如何使用Darknet框架及YOLO3模型进行目标检测的训练过程，包括环境搭建、数据集准备、配置修改、模型训练与评估等关键步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

darknet本来最开始学的是https://github.com/pjreddie/darknet yolo3作者自己开发的，但是它很久不更新了而且mAP值不好观察，于是另外有个https://github.com/AlexeyAB/darknet fork了它，然后在它上面给出了更精彩的实现，比如支持windows，还有改了一些bug，以及最重要支持训练时候mAP图形化观察

我的远程服务器操作系统是Linux

1. git clone https://github.com/AlexeyAB/darknet.git

完成后然后打开Makefile ，改编译选项，我改的是这个样子，支持GPU，CUDNN，OPENCV。有的nvcc没加入到路径就也要设置nvcc的路径

然后用命令行： make 完成编译

2.下载voc数据，如下

再如下：

这样就制作好了darknet需要的数据集，然后设置好路径：

以及修改 cfg/yolo3-voc.cfg里面的batch以及subdivisions为训练所需要的数据

再下载预训练的模型：

然后使用命令：

./darknet -i 3 detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -dont_show -mjpeg_port 8090 -map (注: -i 3 是指我使用了第3块GPU，默认的话是第0块）

来训练并且观察mAP的结果，可以打开chrome或者firefox浏览器输入:http://ip-host:8090来观察loss曲线和mAP的结果

最后训练的weight数据保存在了darknet/backup文件夹下面

训练的命令：

./darknet detector train -i 3 train data/instrument.data cfg/yolov3-instrument.cfg darknet53.conv.74 -dont_show -mjpeg_port 8090 -map

检测一张图的命令：

./darknet detector test data/instrument.data cfg/yolov3-instrument.cfg instrument/yolov3-instrument_best.weights /home/linxi/TrainFasterR-CNN/YOLO3/AlexeyAB/VOCdevkit/VOC2007/JPEGImages/10000190383.jpg -i 3

修改代码(https://github.com/AlexeyAB/darknet/issues/1396)后检测一系列图片的命令：

./darknet detector test data/instrument.data cfg/yolov3-instrument.cfg instrument/yolov3-instrument_best.weights -i 3 -dont_show <2007_test.txt> result.txt

转载于:https://www.cnblogs.com/tangmiao/p/11422689.html